告别开环盲目演化！MBZUAI 等发布 WorldGuide：目标导向闭环视频世界模型，长程程序化任务跑分大涨

核心背景与行业痛点

随着视觉生成模型在画质与物理真实感上的飞跃，学术界与产业界正全力将视频模型从“娱乐内容创作”推向“具身认知与物理世界交互”的新前沿。在工业装配指导、交互式机器人示教以及虚拟外科模拟等现实任务中，视频必须严格遵循“程序化因果逻辑（Procedural Causality）”：必须先拧下螺丝才能拔出外壳，必须先切碎洋葱才能下锅翻炒。然而，现有的商用视频大模型无一例外均属于“开环生成器（Open-Loop Generators）”：模型接收一句长 Prompt 后一口气预测整段视频，中途无法根据已经生成的画面进行自我审视。这导致长视频中充斥着荒谬的逻辑崩溃：工序错乱、已完成的动作反复重复、或在核心目标远未达成时便擅自黑屏收尾。

架构亮点与底层机制

为了攻克开环生成的因果失序顽疾，MBZUAI 与 ANU 团队提出了目标导向的闭环视频世界模型架构 WorldGuide（arXiv:2610.12459，开源项目 github.com/mbzuai-oryx/WorldGuide）：

1. 规划器-执行器紧密耦合的闭环世界空间（Closed-Loop Task Execution）：WorldGuide 将任务执行解耦为双轮驱动。轻量规划器（Planner）以当前生成的最终视频帧与全局任务目标为输入，预测下一个具体的原子动作（Atomic Action）或终止信号；动作驱动的视频执行器（Executor）随后生成展现该动作过程的高清视频片段，生成的画面立即反哺给规划器形成无缝闭环；
2. 分层视觉记忆架构（Hierarchical Visual Memory）：在长程几十步的复杂程序化任务中，简单堆叠历史视频 Token 会导致注意力计算瞬间爆炸。WorldGuide 设计了分层视觉记忆库，将早期步的关键里程碑帧提炼为宏观锚点，将最近一步保留为高保真局部特征，在严密控制 Token 预算的前提下确保全流程物理状态不失忆；
3. 大规模多步程序化基准套件（WorldGuide-Bench）：为了彻底解决行业缺乏分步动作-视频联合标注数据的痛点，团队构建了包含 5.9 万个精密对齐视频切片的大型数据集，覆盖 245 个现实生活与工业制造任务以及 27 大程序化分类，为闭环世界模型的训练与验证树立了全新标杆。

权威 Benchmark 与实测跑分对比

研究团队在自建的 WorldGuide-Bench 以及行业公认的 VideoCraft-Bench 上展开了系统级实测对比：

1. 全盲测试下任务完成率击败 MiniMax-H3：在完全不提供中间步骤参考计划的极限盲测下，WorldGuide 在 WorldGuide-Bench 上的任务完成率（Task Success Rate）达到 33.33%，超越了即使提供了标准参考计划的顶尖商用模型 MiniMax-H3（29.90%）；
2. VideoCraft-Bench 领先近 15 个百分点：在广泛使用的 VideoCraft-Bench 目标驱动测试中，WorldGuide 取得了 47.69% 的惊人成功率，相比 MiniMax-H3 的 32.73% 实现了高达 14.96 个百分点的实质性跨越；
3. 逻辑倒错与重复步骤清零：在长达 15 步以上的多阶段任务生成中，传统开环模型有超过 62% 的样本出现步骤倒置或死循环，而 WorldGuide 依靠规划器的动态视觉审查，将逻辑错序率压缩至 4% 以下。

开发者实战落地与开箱指南

MBZUAI 团队已将 WorldGuide 的代码、训练方案与评测基准在 GitHub 全量开源（github.com/mbzuai-oryx/WorldGuide）。这项成果为智能视频生成、自动化机器人仿真训练（Robotics Sim-to-Real）以及沉浸式操作指导产品开发带来了里程碑式的设计范式：切忌期望让一个通用的端到端视频生成模型单步搞定长程复杂任务。系统架构应当解耦为“动态动作规划大脑 + 短程高保真视频渲染引擎”，辅以分层视觉记忆进行状态管理，通过“预测动作 -> 渲染视频 -> 视觉验真 -> 下一步”的闭环迭代，才能交付出在复杂现实世界中真正具备实用价值的高可靠物理级视频智能体。